虚拟环境和pip

我要补充的是，使用Anaconda创建和删除conda环境非常简单。

> conda create --name <envname> python=<version> <optional dependencies>

> conda remove --name <envname> --all 

在激活的环境中，通过conda或pip安装包:

(envname)> conda install <package>

(envname)> pip install <package>

这些环境与conda类似pip的包管理紧密相关，因此创建环境并安装Python和非Python包都很简单。

Jupyter

此外，在环境中安装ipykernel会在Jupyter笔记本的Kernels下拉菜单中添加一个新列表，从而将可复制的环境扩展到笔记本。从Anaconda 4.1开始，添加了nbextensions，从而更容易地向笔记本添加扩展。

可靠性

根据我的经验，在安装numpy和pandas等大型库时，conda更快、更可靠。此外，如果希望转移环境的保存状态，可以通过共享或克隆环境来实现。

比较

一个非详尽的，快速查看每个工具的功能:

描述

virtualenv creates project-specific, local environments usually in a .venv/ folder per project. In contrast, conda's environments are global and saved in one place. PyPI works with both tools through pip, but conda can add additional channels, which can sometimes install faster. Sadly neither has an official lock file, so reproducing environments has not been solid with either tool. However, both have a mechanism to create a file of pinned packages. Python is needed to install and run virtualenv, but conda already ships with Python. virtualenv creates environments using the same Python version it was installed with. conda allows you to create environments with nearly any Python version.

另请参阅

Virtualenvwrapper:全局virtualenv Pyenv:管理python版本 曼巴:“更快”的康达

根据我的经验，conda非常适合数据科学应用程序，可以作为一个很好的通用环境工具。然而，在软件开发中，使用virtualenv在本地的、短暂的、轻量级的环境中放置可能会很方便。

简单地说，你只需要康达。

Conda在一个包中有效地结合了pip和virtualenv的功能，因此如果使用Conda，则不需要virtualenv。 conda支持的软件包数量之多，你会感到惊讶。如果还不够，可以在conda下使用pip。

这里是conda, pip和virtualenv对比页面的链接:

https://docs.conda.io/projects/conda/en/latest/commands.html conda-vs-pip-vs-virtualenv-commands。

是的，conda比virtualenv更容易安装，并且基本上取代了后者。

Conda取代virtualenv。在我看来，这样更好。它不局限于Python，也可以用于其他语言。根据我的经验，它提供了更流畅的体验，特别是对于科学软件包。我第一次在Mac上正确安装MayaVi是用conda。 你仍然可以使用pip。事实上，conda会在每个新环境中安装pip。它知道pip安装包。

例如:

conda list

列出当前环境中所有已安装的包。 conda安装的包显示如下:

sphinx_rtd_theme          0.1.7                    py35_0    defaults

通过PIP安装的有< PIP >标记:

wxpython-common           3.0.0.0                   <pip>

另一个新的选择，也是我目前最喜欢的启动和运行环境的方法是Pipenv

它目前是Python.org官方推荐的Python打包工具

虚拟环境和pip

我要补充的是，使用Anaconda创建和删除conda环境非常简单。

> conda create --name <envname> python=<version> <optional dependencies>

> conda remove --name <envname> --all 

在激活的环境中，通过conda或pip安装包:

(envname)> conda install <package>

(envname)> pip install <package>

这些环境与conda类似pip的包管理紧密相关，因此创建环境并安装Python和非Python包都很简单。

Jupyter

此外，在环境中安装ipykernel会在Jupyter笔记本的Kernels下拉菜单中添加一个新列表，从而将可复制的环境扩展到笔记本。从Anaconda 4.1开始，添加了nbextensions，从而更容易地向笔记本添加扩展。

可靠性

根据我的经验，在安装numpy和pandas等大型库时，conda更快、更可靠。此外，如果希望转移环境的保存状态，可以通过共享或克隆环境来实现。

比较

一个非详尽的，快速查看每个工具的功能:

描述

virtualenv creates project-specific, local environments usually in a .venv/ folder per project. In contrast, conda's environments are global and saved in one place. PyPI works with both tools through pip, but conda can add additional channels, which can sometimes install faster. Sadly neither has an official lock file, so reproducing environments has not been solid with either tool. However, both have a mechanism to create a file of pinned packages. Python is needed to install and run virtualenv, but conda already ships with Python. virtualenv creates environments using the same Python version it was installed with. conda allows you to create environments with nearly any Python version.

另请参阅

Virtualenvwrapper:全局virtualenv Pyenv:管理python版本 曼巴:“更快”的康达

根据我的经验，conda非常适合数据科学应用程序，可以作为一个很好的通用环境工具。然而，在软件开发中，使用virtualenv在本地的、短暂的、轻量级的环境中放置可能会很方便。